Univerzitet u Tuzli

Fakultet elektrotehnike
Tehnički odgoj i informatika

Seminarski rad
Obrada digitalne slike

Profesor:dr.sc Amira Šerifović Trbalić Student:Arnela Hodžić

Tuzla,februar.2021
Sadržaj

Uvod....................................................................................................................................... 3
Matlab (uvod)......................................................................................................................... 4
Import image file................................................................................................................... 5
Metoda množenja i dijeljenja slika.......................................................................................6
Gamma transformacija......................................................................................................... 9
Histogram............................................................................................................................ 14
Histogrami slika u boji.......................................................................................................16
Transformacije histograma................................................................................................17
Promjena histograma primjenom rastezanja kontrasta...................................................19
Ekvivalizacija histograma....................................................................................................24
Zaključak...............................................................................................................................30
Literatura...............................................................................................................................31
 Uvod

Moj zadatak je bio da pronađem sliku koja je snimljena noću ili tokom
kiše,magle,smanjene vidljivosti,koja ima slabiji kontrast,izražen šum,
deformacije,te su objekti na njoj slabije vidljivi.

Kreirala sam algoritam zasnovan na metodama obrade digitalne slike

Koristila sam jednostavno sredstvo za prilagođavanje

kontrasta(množenje i dijeljenje slika)

Zatim sam koristila gamma transformaciju

Nakon toga sam poboljšala slike putem histograma,promjena histograma

primjenom rastezanja kontrasta te ekvalizaciju histograma.
Slike su obrađene u programu Matlab 2018.

3
 Matlab (uvod)

MATLAB je programski jezik visoke razine i interaktivna je okolina za numeričko i

matrično računanje, te za vizualizaciju i programiranje. Naziv je nastao kao kratica od
engleskih riječi MATrix LABoratory. Prva verzija MATLAB-a napisana je krajem 1970.
godine na sveučilištima Novog Meksika i Stanforda. Pomoću MATLAB-a mogu se
analizirati podatci, izraditi algoritmi te stvoriti modeli i aplikacije. Jezik, alati i
matematičke funkcije omogućuju brži rad nego s tablicama ili tradicionalnim
programskim jezicima, kao što su C/C++ ili Java. MATLAB se može koristiti za niz
aplikacija, uključujući obradu signala i komunikacija, obradu sustava kontrole,
ispitivanja i mjerenja, računalnih financija i računalne biologije.
Cleve Moler, šef odjela računalnih znanosti na Sveučilištu u Novom Meksiku, razvijao
je MATLAB kasnih 1970-ih godina. MATLAB je osmišljen kako bi osigurao svojim
studentima pristup LINPACK-u i EISPACK-u da bi naučili Fortran. MATLAB se,
ubrzo, proširio na druga sveučilišta i pronašao snažnu podršku unutar zajednice koja
je izučavala primijenjenu matematiku. Jack Little prepoznajući komercijalni potencijal
pridružio se Cleveu Moleru i Steveu Bangertu. Oni ponovo pišu MATLAB u C-u i
nastavljaju njegov razvitak. Ove ponovo napisane biblioteke su bile poznate kao
JACKPAC. MATLAB je ponovo napisan 2000. godine te može koristiti noviji skup
biblioteka za matrične manipulacije - LAPACK.

MATLAB su prvo usvojili istraživači i praktičari u kontrolnom inženjeringu, ali se brzo

proširio na mnoge druge domene. On se sada koristi u obrazovanju, posebice u
nastavi linearne algebre i numeričke analize, ali je i popularan među znanstvenicima
koji su uključeni u obradu slike.
Primjer br.1
Import image file
 Metoda množenja i dijeljenja slika

Množenje i dijeljenje slika može biti korišteno kao jednostavno sredstvo za

prilagodavanje kontrasta. Ova procedura se ponekad naziva skaliranjem boje.
Množenje slika može biti korišteno za superpoziciju tekstura na slici ili za
maskiranje dijelova slike. Potencijalni problem sa množenjem slika jeste da
mogu biti generisane vrlo velike vrijednosti piksela, pri ćemu sa skaliranjem
tih vrijednosti može dćci do značajnog gubitka preciznosti za neke vrijednosti
piksela.

Dijeljenje slike može biti problematično ukoliko slika sa kojom se dijeli

sadrži piksele sa vrijednošcu nula. Ovo se obično izbjegava dodavanjem 1
vrijednostima piksela pozadine slike, tako da njihova vrijednost ide od 1 do 256,
a zatim se vrši njihovo ponovno skaliranje nakon dijeljenja. Proces dijeljenja
uklanja artifakte izazvane varijacijom u osjetljivosti detektora i/ili distorziji
optičke putanje. Ovo predstavlja standardni proces kalibracije korišten od
kamere mobilnog uredaja do teleskopa.

Dijeljenje slike se takode koristi pri obradi slika dobijenih u različitim

spektralnim opsezima, jer omjer slike predstavlja efikasan način za generisanje slike
u središnjem spektralnom opsegu.
Množenje i dijeljenje slika(prilagođavanje kontrasta)

< K=imabadiff(A,B);
< subplot(1,3,3)
< imshow(K)
< K=imultiply(B,1.5);
< subplot(1,2,1),
< imshow(B);
< subplot(1,2,2)
< imshow(K);
Množenje i dijeljenje slika(rezultat)

a.)orginalna slika

b.)slika dobijenja primjenom metode množenje i dijeljenje slika

 Gamma transformacija

Alternativa i logaritamskoj i eksponencijalnoj transformaciji jeste transformacija sa

stepenovanjem ili gamma transformacija
(još poznata kao powerlaw transformacija) kod koje se vrijednost svakog piksela
diže na odgovarajući stepen:
I izlazno (i, j) = c (I ulazno)"
Uopćeno, vrijednosti γ >1 poboljšavaju kontrast dijela slike sa višim vrijednostima na
račun regiona sa nižim vrijednostima, dok za γ< 1 vrijedi
obrnuto.
Standardna primjena gamma transformacije je tzv. gamma korekcija.
Ova termin se koristi za opis korekcije potrebne za nelinearne izlazne krive
modernih računarskih displeja.

Gama korekcija

- Gama korekcija je važna uvijek kad je potrebno

imati vjeran prikaz slike
-Primjeri takvih primjena su:
- Prikaz medicinskih slika (dijagnostička radiologija)
- Grafička industrija, priprema za tisak

Korekcija se može obaviti tako da se slika

transformira pomoću gornjeg izraza te onda pošalje
na monitor.
 Gamma transformacija

Primjer 1

< I=imread(“fog.jpg“);
< subplot(2,2,1),imshow( I )
< Id = im2double ( I )
< Io1 = 2*(Id. ^0.5);
< Io2 = 2*(Id. ^1.5);
< Io3 = 2*(Id. ^3.0);
subplot(2,2,2), imshow(Io1)
subplot(2,2,3), imshow(Io2)
subplot(2,2,4), imshow(Io3)
Gamma transformacija (dobijena slika primjenom gamma transformacije)
Gamma transformacija (primjer 2)

< I=imread(“image.jpg“);
< subplot(2,2,1),imshow( I )
< Id = im2double ( I )
< Io1 = 2*(Id. ^0.5);
< Io2 = 2*(Id. ^1.5);
< Io3 = 2*(Id. ^3.0);
subplot(2,2,2), imshow(Io1)
subplot(2,2,3), imshow(Io2)
subplot(2,2,4), imshow(Io3)
Gamma transformacija (dobijeni slika primjenom gamma transformacije)
 Histogram

Histogrami predstavljaju frekvencijsku raspodjelu i opisuju učestalost vrijednosti

intenziteta koji se pojavljuju na slici.
Glavna funkcija histograma je ilustrovanje statističkih informacija
o slici (tj. raspodjele vrijednosti intenziteta slike) u kompaktnom obliku.
za svako 0  i < K. Prema tome, h (0) je broj piksela sa vrijednoˇs´cu
0, h (1) je broj piksela sa vrijednoˇs´cu 1, i tako dalje. Rezultat raˇcunanja
histograma je jednodimenzionalni vektor h duˇzine K.
Budu´ci da histogram ne sadrˇzi informacije o tome gdje se na slici nalaze
pikseli uraˇcunati za svaki element h (i), histogram ne sadrži informacije o prostornom
rasporedu piksela slike. Stoga slika ne može biti rekonstruisana na osnovu
histograma, jer nedostaju prostorne informacije. Iz navedenog semoˇze zaključiti da
više različitih slika mogu imati potpuno isti histogram.

Računanje histograma 8-bitne grayscale slike koja sadrži vrijednosti intenziteta

izmedu 0 i 255 se izvodi brojanjem koliko puta se svaka siva vrijednost (0-255)
pojavljuje na slici. Svaki “bin”histograma je inkrementiran svaki put kada je njegova
vrijednost pronadena na slici, stoga histogram može biti jednostavno konstruisan kao
ˇšto je dato sljedećim algoritmom:
inicijalizirati sve elemente niza histograma na vrijednost 0
for svaki piksel I (m, n) na slici I do
histogram(I (m, n)) = histogram(I (m, n))+1
Slika koja ima K mogućih vrijednosti će imati tačno K elemenata u nizu
histograma.
S obzirom da bin predstavlja podjelu skale intenziteta, moguće je za računanje
histograma slike koristiti manji broj binova nego što slika ima mogućih intenziteta.
Ovo je naročito bitno za 16-bitne i 32-bitne slike, gdje korištenje po jednog elemenata
za svaki mogući intenzitet na slici nije praktično. Umjesto toga, jedan bin/element
histograma će predstavljati raspon vrijednosti intenziteta. Ova tehnika se često
naziva “binning”, jer prikazuje raspon vrijednosti intenziteta piksela u obliku binova -
kutija.
U Matlabu se binning može izvesti jednostavnim navodenjem broja binova B (default
vrijednost je 256) na
skali intenziteta: h=imhist(I,B).

Primjenom histograma moguće je uočiti probleme sa ekspozicijom ili kontrastom. Na

primjer, ako histogram slike ima veliko područje intenziteta na jednom kraju koji su
slabo ili potpuno neiskorišteni, dok na drugom kraju ima mnogo elemenata sa
visokim vrijednostima, tada se može reči da slika ima nepravilnu ekspoziciju.

Histogram je dijagram okomitih stupaca s raspodjelom učestalosti podataka.

Smanjuje opseg ispitivanja problema dajući sheme pojavljivanja varijacija,
odstupanja od zahtjevane aritmetičke sredine i postojanje značajnog uzorka većine
varijacija koji zahtjeva otkrivanje i otklanjanje. Za ovaj alat, odnosno metodu,
možemo reći, da mu je osnovna svrha prikaz distribucije grupe podataka u grafičkoj
formi, što omogučava jednostavan prikaz i razumijevanje promatrane veličine. Pri
analizi rezultata koji se prikazuju u nekom vremenu ili koji se grupiraju oko neke

reprezentativne vrijednosti, služimo se grafičkim sistemom koordinatnog sustava.

Položaj jedne točke u ravnini potpuno je određen s dvije međusobno okomite
koordinate. Horizontalna koordinata, apcisa (ili os x), obično služi za registraciju
vrijednosti mjerenja, a vertikalna koordinata (ili os y), za registraciju frekvencija.
Kod primjene ove metode treba se u načelu pridržavati slijedećeg redoslijeda:
1. Prikupite podatke i informecije o konkretnoj veličini
2. Složite podatke u prikladnu tablicu, te ih obavezno izbrojite
3. Izračunajte raspon R, za cijeli uzorak
4. nacrtajte tablicu frekvencija
5. nacrtajte histogram
6. analizirajte histogram.
Centriranost histograma promatrane pojave ili procesa može biti :
· centriran
· pomaknut prema GKG/ (gornjoj kontrolnoj granici)
· pomaknut prema DKG/ (donjoj kontrolnoj granici)
Oblik histogram neće uvijek poprimiti zvonoliki oblik. Oblika može biti jako puno
što ovisi o mnogo utjecajnih faktora. Tako postoji 4 vrste oblika (slika broj 10):
· Bi-modal distribution/Bi modalna razdioba frekvencija
· Unitary distibution/Normalna razdioba frekvencija
· Negatively skewed/Negativno asimetrična razdioba
· Positively skewed/Pozitivno asimetrična razdioba
 Histogrami slika u boji

Kada se govori o histogramima slika u boji, obično se misli ili na histogram

intenziteta slike (luminanciju) ili na pojedinačne kanale boja. Obje varijante
se često primjenjuju u aplikacija obrade slike za potrebe procjene kvalietat
slike, naročito nakon akvizicije slike.
Histogram luminancije hlum slike u boji nije ništa drugo do histogram
odgovaraju´ce grayscale slike, tako da vrijedi sve što je prethodno navedeno
za ovaj tip histograma. Grayscale slika je dobijena računanjem luminancije
pojedinačnih kanala slike. No, pri računanju luminancije, nije dovoljno jednostavno
usrednjiti vrijednosti svakog kanala slike, nego se koristi težirana
suma koja uzima u obzir teoriju percepcije boja.
Premda histogram luminancije uzima u obzir sve kanale boja, greška koja
se može pojaviti u samo jednom kanalu može biti neprimjećena.
Na primjer,kod RGB slika, plavi kanal doprinosi vrlo malo ukupnoj svjetlini i on je vrlo
osjetljiv na probleme zasicenja.
Stoga se mogu kreirati histogrami za svaki kanal slike, tako da se svaki kanal boje
posmatra kao odvojena intenzitetska slika.

U slikama svaki piksel je opisan jednom nijansom sive bojom, gdje 0 znači crnu, a
255 bijelu. Međutim siva boja se u digitalnom obliku
pohranjuje kao kombinacija crvene, zelene i plave, ali tako da sve 3 boje uvijek
imaju istu vrijednost osvjetljenja. Tako kombinacija 0R+0G+0B predstavlja crnu,
127R+127G+127B sivu u sredini skale, a 255R+255G+255B bijelu boju. To
zapravo znači da su svi histogrami prikazani u prethodnom poglavlju također
RGB histogrami, kao i oni koje dobijemo iz slike za koje kažemo da su ''u boji''.
RGB histogrami je najčešće korišteni histogram.
Histogram po boji može prikazati 3 odvojena histograma za svaku boju, a
RGB histogram će biti kompozicija ova 3 histograma. RGB histogram nastaje
tako da prvo odredimo tri nezavisna histograma po bojama, koje zatim spajamo u
jedan nezavisno o tome koja je boja došla od kojeg piksela.
Ovo će biti puno jasnije ako pogledamo sliku 6., na kojoj je prikazana originalna
slika, te odgovarajući histogrami (R, G, B i RGB).
 Transformacije histograma

Slike se pohranjuju kao matrica piksela, pri ćemu su vrijednosti piksela u rasponu od
0 do 255 ako je koriđteno 8 bita za pohranu pojedinačnih vrijednosti
piksela. Ove vrijednosti piksela odreduju svjetlinu prikazane slike pomoću
tzv. look-up tabele (LUT) prikaza. Vrijednosti piksela su adrese u look-up
tabeli i korištene su za nalaženje informacija o nivou sive (svjetlini) za dati
piksel, koja se zatim šalje na monitor i koristi se predstavljanje tog piksela
na ekranu. U slučaju default look-up tabele, vrijednosti piksela 0 odgovara
0-ti nivo sive (crna), vrijednosti piksela 255 daje 255-ti nivo sive (bijela), i
tako dalje. Look-up tabela može biti prikazana grafički kao prikaz ulaznih
6vrijednosti piksela duž x-ose naspram izlaznog nivoa sive (idući od crne do
bijele) na y-osi, ili kao vertikalni prozor sivih nivoa.
Look-up tabela mapira vrijednosti piksela i može biti korištena za različit
prikaz slike, promjenom distribucije vrijednosti piksela u različite distribucije
sivih vrijednosti bez promjene pohranjenih vrijednosti piksela. Ovaj proces
može biti opisan funkcijom mapiranja g = M (a)
gdje su a i g pohranjene vrijednosti piksela i prikazani nivoi sive, respektivno.
Oblik funkcije mapiranja M odreduje efekat operacije.
Kao što se može uočiti, transformacija slike pomoću look-up tabele predstavlja
operaciju nad tačkama, s obzirom da vrijednost izlaznog piksela ovisi samo od
njene odgovarajuće ulazne vrijednosti.
Postoji veliki broj mogučih transformacija gray-level histograma koje
mogu biti implementirane pomoću look-up tabela.
Svjetlina i kontrast slike može biti promijenjen primjenom odgovaraju´ce look-up
tabele
Poboljšanje slike putem histograma

(primjer histograma u boji)

 Promjena histograma primjenom rastezanja kontrasta

(contrast streching)

Histogram slike može biti korišten i za tzv. rastezanje kontrasta ili rastezanje
histograma (takode poznato i kao normalizacija) koje se izvodi modifikovanjem
vrijednosti piksela tako da je cijelo raspoloživo područje vrijednosti u potpunosti
pokriveno. Ovo se izvodi mapiranje trenutno najtamnije i najsvjetlije vrijednosti
piksela u najnižu i najvišu raspoloživu vrijednost intenziteta, respektivno, uz linearno
distribuiranje vrijednosti izmedu.
Da bi semoglo izvesti ovo rastezanje kontrasta potrebno je poznavati gornju a i
donju b granicu vrijednosti piksela za koje je potrebno normalizirati sliku. Ove granice
su obiˇčno gornja i donja granica podruˇcja kvantizacije piksela, tj. za 8-bitnu sliku, a
= 255 i b = 0. U najjednostavnijem obliku, prvi dio operacije razvlačenja histograma
predstavlja skeniranje ulazne slike s ciljem nalaženja maksimalne i minimalne
vrijednosti piksela, označenih sa c i d,respektivno. Na osnovu ove četiri vrijednosti
moguće je odrediti linearno razvlačenje histograma pomoću sljedeće jednačine:

a−b
I izlazno(i,j) =(I ulazno(i,j)-c +a
c−d

U praksi, mapiranje dato jednačinom 5 može biti pod snažnim uticajem

svega nekoliko ekstremnih vrijednosti piksela na slici, koji ne moraju predstavljati
glavni sadržaj slike. Ovo može biti izbjegnuto primjenom jednog od narednih
pristupa.
Prvi pristup podrazumijeva izračunavanje histograma ulazne slike i odabir vrijednosti
c i d kao vrijednosti tačaka kumulativne distribucije koje odgovaraju odredenom
procentu minimalne i maksimalne vrijednosti intenziteta na slici, na primjer 5 i 95 %,
odnosno 5 % piksela slike će imati vrijednost manju od d i 5% piksela će imati
vrijednost veču od c. Nove vrijednosti c i d ovise od sadržaja slike i mogu biti
jednostavno dobijene na osnovu kumulativnog histograma slike. Sve vrijednosti veće
od c i manje od d su mapirane navrijednosti a i b, respektivno.
Drugi pristup obuhvata odredivanje histograma, te nalaˇzenje vrijednosti
intenziteta koji se najčešće javlja na slici.
Neka je maksimalna vrijednost pojavljivanja intenziteta na slici N. Potrebno je
odabrati neku vrijednost odsijecanja kao funkcija od N (npr. 5%). Sada c i d
predstavljaju vrijednosti koje su smještene na histogramu tako da su to vrijednosti
najbliže vrijednosti odsijecanja idući na desnu i lijevu stranu u odnosu na maksimalnu
vrijednost.
Drugi pristup je manje robustan u slučaju histograma sa više vrhova.
U narednom Matlab primjeru izvedeno je rastezanje kontrasta primjenom
 prvog pristupa. Kao to se može vidjeti u narednom primjeru kontrast je značajno
poboljšan, dok je na histogramu vildjiv efekat rastezanja kontrasta u obliku linearno
pročirene distribucije.

Promjena histograma primjenom rastezanja kontrasta

(primjer 1)

< A =imread(‚fog.jpg');
<Acs = imadjust(A, stretchlim(A,
[0.05 0.95]),[]);
< subplot(2,2,1), imshow(A);
< subplot(2,2,2), imshow(Acs);
< subplot(2,2,3), imhist(A);
< subplot(2,2,4), imhist(Acs);
Dobijena slika primjenom rastezanja kontrasta

A.) orginalna slika

b.)dobijena slika primjenom metode rastezanja kontrasta

Promjena histograma primjenom rastezanja kontrasta
(primjer br 2)

< A =imread(‚image.jpg');
<Acs = imadjust(A, stretchlim(A,
[0.05 0.95]),[]);
< subplot(2,2,1), imshow(A);
< subplot(2,2,2), imshow(Acs);
< subplot(2,2,3), imhist(A);
< subplot(2,2,4), imhist(Acs);
Dobijena slika primjenom rastezanja kontrasta

a.)orginalna slika

b.)slika dobijena metodom rastezanja kontrasta

 Ekvalizacija histograma

Za potrebe poboljšanja kvaliteta slike, često se koristi funkciju mapiranja

f (x) koja čini histogram slike što je mogu´ce ”ravnijim”, tj. koja mapira
sive vrijednosti piksela tako da se svaka vrijednost pojavljuje jednak broj
puta na slici. Ovo se zove ekvalizacija histograma.
Osnovna ideja iza ovog postupka je da se optimalno iskoristi dostupni
kontrast slike. Na taj način se očekuje da ´će to maksimizirati informacije
prenesene slikom i da će transformisana slika imati poboljšani izgled.
S obzirom da je histogram diskretna raspodjela i da homogene operacije
nad pikselima mogu sammo pomjerati i spajati (nikad dijeliti) ulaze
histograma, opčenito je moguće dobiti samo
aproksimativno rješenje.
Stoga je moguće mijenjati sliku toliko da rezultujući histogram bude
aproksimativno uniforman, no pitanje je koliko je dobra dobijena
aproksimacija i koju operaciju nad pikselima treba primijeniti (ovo
zavisi od samog sadržaja slike) da bi se postigao željeni rezultat.
Neka je data grayscale ulazna slika Iulazno (x), sa normalizovanim
histogramom ili funkcijom gustine vjerovatno´ce (PDF) p (x).
Potrebno je naći funkciju transformacije y = f (x) koja mapira ulazne u
izlazne vrijednosti grayscale slike i koja transformiše ulaznu PDF p (x) da
bi se dobila izlaznaPDF p (y). S obzirom da je broj piksela mapiran iz x u
y nepromijenjen,vrijedi da je
p (x) dy = p (x) dx
Ova definicija čini proceduru ekvalizacije histograma vrlo jednostavnom
za implementaciju u praksi. Za razliku od kontinualnog slučaja, diskretna
transformacija ne daje potpuno ekvaliziran (uniforman) izlazni histogram.
U praksi, on predstavlja dobru aproksimaciju idealnog kumulativnog
histograma ulazne slike, koji mnogo ravnomjernije rasporeduje
vrijednosti intenziteta u okviru područja kvantizacije slike.
Ekvalizacija histograma u Matlabu je implementirana pomoću funkcije
histeq koja ima sintaksu J=histeq(I, HGRAM) ili J=histeq(I, N). Ona
poboljšava kontrast slike transformišući vrijednosti slike tako da
histogram izlazne slike aproksimativno odgovara specificiranom
histogramu HGRAM.
Vektor HGRAM sadrži cjelobrojne vrijednosti za svaki od ravnomjerno
rasporedenih binova sa vrijednostima intenziteta u odgovaraju´cem
području.
N je broj diskretnih nivoa izlazne slike J. Ako se izostavi drugi argument
funkcije, tada se direktno izvodi transformacija
Ekvivalizacija histograma
(primjer 1)

A=imread(“fog.jpg“);
< Aeq=histeq(A);
< subplot(2,2,1), imshow(A);
< subplot(2,2,2), imshow(Aeq);
< subplot(2,2,3), imhist(A);
< subplot(2,2,4), imhist(Aeq);
Ekvivalizavija histograma
(rezultat)

a.)orginalna slika

b.)slika primjenom ekvivalizacije histograma

Ekvivalizacija histograma
(primjer 2)
Ekvivalizacija histograma
(primjer 2)

a.)orginalna slika

b.)slika primjenom ekvivalizacije histograma

 Zaključak

Iz navedenih primjera i primjenom gamma stranformacije i metoda

histograma zaključujem da:
Korištenjem gamma transformacije dobila sam jako dobre rezultate za
sliku broj 1(fog.jpg).Poboljšana je struktura slike,pojačan je
kontrast,određeni detalji su jasnije vidljivi,smanjena je magla na slici.
Kod druge slike nisam dobila mnogo dobar rezultat korištenjem gamma
transformacije kao što je slučaj sa prvom.Tačnije sliku broj 2(image.jpg)je
gamma transformacija potamnila više nego što sam očekivala,pojačala je
kontrast,ali je dosta bolja struktura ,nego orginalna slika.
Korištenjem histograma primjenom rastezanja kontrasta kod slike broj
2(image.jpg) je dao odlične rezultate ,pojačana je
svjetlost,kontrast,struktura,jasnije su vidljivi detalji ,čak i oni koji se
nalaze u daljini ,koji su prekriveni maglom.
Čak i kod prve slike sam dobila jako dobre rezultate primjenom
histograma rastezanja kontrasta.Ovaj metod se jako dobro pokazao.
Primjenom ekvalizacije histograma dobila sam bolje rezultate kod slike
broj 2(znatno pojačana struktura),za razliku od slike broj 1,gdje je za
nijansu dalo slabije rezultate.
 Literatura:

1. https://www.mathworks.com/products/matlab.html
2. http://www.mikroknjiga.rs/store/prikaz.php?ref=86-7466-272-2
3. http://download.tutoriali.org/Tutorials/Matlab/Osnove_MATLAB-a.pdf
4. Digitalna obrada slike-Igor Đurović
5. https://www.tutorialspoint.com/matlab/matlab_functions.htm31